Le modèle Beast-GB combine l'apprentissage automatique et les sciences du comportement pour prédire les décisions des gens

Un objectif clé de la recherche en sciences du comportement est de mieux comprendre comment les gens prennent des décisions dans les situations où les résultats sont inconnus ou incertains, ce qui implique un certain degré de risque.

La capacité de prédire les choix des gens dans ces situations pourrait être très avantageuse, car elle pourrait aider à rédiger des initiatives efficaces visant à inciter les gens à prendre de meilleures décisions pour eux-mêmes et pour les autres dans leur communauté.

Des chercheurs de Technion (Israel Institute of Technology) et divers instituts aux États-Unis ont récemment développé un nouveau modèle de calcul appelé Beast-GB, qui s'est avéré prédire les décisions des gens dans des situations qui impliquent des risques et de l'incertitude.

Leur modèle proposé, décrit dans un article publié dans Nature comportement humaincombine des algorithmes avancés d'apprentissage automatique avec la théorie des sciences du comportement.

« La recherche sur la décision humaine est riche en théories concurrentes, mais aucune ne prédit de manière fiable et avec précision les choix humains dans des contextes », a déclaré Ori Plonsky, premier auteur du journal, à Tech Xplore.

« Pour voir quelles idées fonctionnent vraiment, nous avons organisé CPC18, un« concours de prédiction de choix »dans lequel n'importe qui pouvait soumettre un modèle de calcul pour prédire les décisions des gens sous risque et incertitude. Nous étions particulièrement intéressés à savoir si l'apprentissage automatique basé sur les données, les modèles comportementaux axés sur la théorie, ou, tout comme notre supposition, un hybride qui intègre la théorie du comportement à l'intérieur de la ML, excellerait. »

Le nouveau modèle d'apprentissage automatique développé par Plonsky et ses collègues tire d'un cadre de science du comportement connu sous le nom de Beast (meilleurs outils d'estimation et d'échantillonnage). Il s'agit d'un modèle basé sur des théories psychologiques qui se trouvaient auparavant pour prédire les décisions des gens avec une bonne précision.

« La bête suppose que, dans le choix des risques et de l'incertitude, les gens mélangent plusieurs stratégies, telles que la minimisation des chances de regrets immédiats ou de couverture contre les pires résultats », a expliqué Plonsky.

« Nous avons traduit chaque stratégie en une » caractéristique comportementale « , une formule concise qui capture à quel point un décideur devrait être sensible à cette considération dans une tâche de choix donnée. Nous avons ensuite nourri ces fonctionnalités basées sur la théorie, ainsi que des descripteurs de tâches purement objectifs, en stimulation de gradient extrême (un algorithme d'apprentissage automatique. »

Avec les améliorations mises en œuvre par les chercheurs, le modèle Beast-GB pourrait analyser les données comportementales et dériver les décisions de conduite des motifs, ainsi que l'impact de ces motivations dans différents scénarios de prise de décision.

Notamment, Beast-GB a remporté le concours de prédiction de choix CPC18 en 2018, capturant 93% de la variation prévisible des données qu'elle a été alimentées, et 96% dans les tests de suivi utilisant un ensemble de données 40 fois plus grand.

« Beast-GB a surpassé des dizaines de modèles comportementaux traditionnels et un apprentissage automatique purement basé sur les données », a déclaré Plonsky.

« Avec seulement 2% des données de formation, il a déjà battu un réseau de neurones profond formé sur toutes les données de formation. Le modèle prédit même avec précision les choix que les gens font dans de nouvelles expériences qu'il n'a jamais vues, ce qui implique qu'il capture les modèles de choix humain général.

Ce travail récent met en évidence la promesse des modèles d'apprentissage automatique qui s'inspirent également de la science du comportement pour prédire les décisions et les réponses des gens dans les scénarios du monde réel. À l'avenir, la bête-GB et d'autres modèles similaires pourraient guider la conception de nouvelles interventions à grande échelle visant à améliorer les décisions des gens via des coups de pied, des incitations ou d'autres stratégies basées sur la science du comportement.

Plonsky et ses collègues prévoient finalement de collaborer avec des décideurs et d'autres parties impliquées dans la conception ou la mise en œuvre d'initiatives de sciences du comportement. Cela leur permettrait de tester leur modèle « dans la nature », validant son potentiel dans des contextes réels, tout en donnant des informations qui pourraient éclairer son avancement supplémentaire.

« D'autres publications récentes ont suggéré que la prise de décision humaine et d'autres comportements peuvent être prédits très efficacement à l'aide de méthodes avancées d'apprentissage automatique basées sur les données comme de grands modèles de langage réglés sur de grandes données comportementales », a ajouté Plonsky.

« Nous prévoyons maintenant de continuer à étudier quand et comment la théorie de type bête peut améliorer ces méthodes basées sur les données pour prédire le comportement. Plus précisément, nous prévoyons d'étendre notre domaine de la recherche en incluant des problèmes de décision en langue naturelle, plus alignés avec le monde réel. »